MR动态增强图像纹理分析判断乳腺结节良恶性的价值

陈文静，牟 玮，张文馨，徐 蕊，张 丽，燕桂新，梁 颖

(1.新疆建设兵团第六师医院影像科，新疆 五家渠 831300；2.美国Moffitt癌症研究中心，佛罗里达 坦帕 33612；3.国家癌症中心 中国医学科学院北京协和医学院肿瘤医院PET/CT中心，北京 100021)

MR动态增强图像纹理分析判断乳腺结节良恶性的价值

陈文静1，牟 玮2，张文馨1，徐 蕊1，张 丽1，燕桂新1，梁 颖3*

(1.新疆建设兵团第六师医院影像科，新疆 五家渠 831300；2.美国Moffitt癌症研究中心，佛罗里达 坦帕 33612；3.国家癌症中心 中国医学科学院北京协和医学院肿瘤医院PET/CT中心，北京 100021)

目的 探讨MR动态增强图像纹理分析鉴别诊断乳腺结节良恶性的价值。方法 回顾性分析经手术病理证实的78例患者共80个乳腺结节的MR动态增强图像，每个结节获得63个纹理特征参数。绘制纹理参数鉴别诊断良恶性乳腺结节的ROC曲线，并与MR乳腺影像报告和数据系统(BI-RADS)的诊断效能比较。结果 78例患者的80个乳腺结节中，纹理参数中灰度游程长不均匀度判断乳腺结节良恶性的AUC值(0.836)最大且诊断准确率高，其诊断恶性乳腺结节的敏感度为82.93%(34/41)、特异度为94.87%(37/39)、准确率为88.75% (71/80)、阳性预测值为94.44% (34/36)、阴性预测值为84.09% (37/44)。MR BI-RADS分类诊断恶性乳腺结节的敏感度为95.12%(39/41)、特异度为87.18%(34/39)、准确率为91.25%(73/80)、阳性预测值为88.63%(39/44)、阴性预测值为94.44%(34/36)。MR BI-RADS分类和纹理分析判断恶性乳腺结节准确率差异无统计学意义(P=0.11)。与单独应用BI-RADS分类比较，两者联合应用可明显提高诊断恶性乳腺结节的特异度(P<0.001)。结论 MR纹理分析可作为传统诊断乳腺良恶性结节的补充。

磁共振成像；纹理分析；乳腺肿瘤；诊断显像

目前，乳腺癌发病率居女性恶性肿瘤的首位，是女性死亡的第二大病因。研究[1]表明，早期发现、早期诊断可有效提高乳腺癌患者的生存率。乳腺MR敏感度高，用于乳腺癌高危人群的筛查可提高20%或以上的生存率，因此可作为乳腺癌高危人群筛查的辅助手段[2]，但其特异度欠佳，部分、恶性病变的形态学和血液动力学表现存在重叠，易造成过度治疗[3]，故提高MR诊断的准确率成为研究热点。由于良恶性肿瘤不同的异质性，故根据良恶性肿瘤的异质性差异鉴别肿瘤性质引起关注。纹理特征作为一种定量评估肿瘤异质性的手段近年来逐渐应用于临床[4]。本研究探讨MR增强图像的纹理分析鉴别诊断乳腺良恶性结节的价值。

1 资料与方法

1.1 一般资料 收集2014年11月—2016年8月间因乳腺结节接受MR检查的女性患者78例，年龄20～70岁，平均(47.4±10.1)岁。所有患者均接受手术切除，共切除80个病灶，直径4～42 mm平均(16.02±6.99)mm。手术病理证实良性结节39个，其中纤维腺瘤22个、囊性增生12个、乳头状瘤2个、乳腺增生2个、乳腺腺病并导管扩张1个；恶性结节41个，其中浸润性导管癌38个、导管内癌2个、导管来源印戒细胞癌1个。

1.2 仪器与方法 采用Siemens Avanto 1.5T超导MR扫描仪及专用8通道乳腺线圈。患者取俯卧位，双侧乳腺自然悬垂并适当固定于线圈中。扫描顺序如下：①轴位T1WI；②轴位T2脂肪抑制序列；③轴位DWI(b=800 s/mm2)；④T1脂肪抑制动态增强扫描(dynamic contrast enhanced， DCE)，每期扫描时间 60 s，扫描层数约104层，层厚为1.5 mm，第1期为不注射对比剂蒙片，后注射对比剂钆喷酸葡胺15 ml，并跟注盐水20 ml洗，再连续扫描6期；最后进行延时扫描和腋窝淋巴结扫描。将薄层图像传入Siemens后处理工作站，图像后处理包括MPR、时间-信号强度曲线(time-signal intensity curve, TIC)及测量ADC值等。

1.3 乳腺影像报告和数据系统(breast imaging reporting and data system， BI-RADS)分类 由2名放射科乳腺专业组的主治医师在不知病理结果的前提下对图像进行回顾性分析，意见有分歧时经协商达成一致。根据病灶的MRI表现，运用DWI、动态增强技术，结合TIC进行BI-RADS分类诊断。以2003年发布的BI-RADS分类为评价标准，Ⅰ～Ⅳa类为良性，Ⅳb～Ⅴ类为恶性[5]。

1.4 结节量化分析 采用蛇形曲线于动态增强2 min时的T1图像上勾画乳腺结节轮廓，测量MR图像的灰度值和结节体积，并采用Matlab计算提取结节的63个纹理特征，主要包括一阶统计纹理特征、二阶统计纹理特征和高阶统计纹理特征。一阶统计纹理特征主要根据肿瘤区域内的灰度直方图计算全局纹理特征。二阶纹理特征一般基于灰度共生矩阵(co-occurrence matrix, CM)获得。高阶纹理特征则是基于灰度区域矩阵(gray level size zone matrix, GLSZM)、灰度游程矩阵(grey level run length matrix, GLRLM)、邻域灰度差分矩阵(neighborhood gray level difference matrix, NGLDM)和纹理谱(texture spectrum, TS)矩阵等特征[6]，通常可以反映局部区域内的异质性。MR纹理分析和BI-RADS分类联合诊断时，如均诊断为恶性，即为恶性，如其中一种诊断为良性，则为良性。

1.5 统计学分析 采用SPSS 17.0统计分析软件。首先对所有特征进行ROC曲线分析，选取AUC值较高的纹理特征参数。以AUC值最高的纹理特征作为纹理分析参数判断乳腺结节良恶性，并与手术病理结果对照，计算诊断效能。同时计算BI-RADS分类、BI-RADS分类与纹理分析参数联合诊断乳腺结节良恶性的诊断效能，诊断效能的比较采用χ2检验，P<0.05为差异有统计学意义。

2 结果

根据BI-RADS标准诊断恶性结节44个，经手术病理证实39个恶性结节(36个浸润性导管癌、2个导管内癌和1个导管来源印戒细胞癌)，5个良性结节(2个囊性增生、2个纤维瘤、1个内生性乳头状瘤)。5个良性结节MR强化曲线为平台型，ADC值为(0.70～0.95)×10-3mm2/s，纹理特征游程长不均匀度(run length nonuniformity， RLN)为52.94～1 114.77(诊断界值1 528.43)。根据BI-RADS标准诊断良性结节36个，经手术病理证实34个良性结节(20个纤维腺瘤、10个囊性增生、2个乳腺增生、1个乳头状瘤、1个乳腺腺病并导管扩张)，2个恶性结节(均为浸润性导管癌)。2个恶性结节MR强化曲线为平台型，ADC值为(1.12～1.34)×10-3mm2/s，RLN分别为1 703.68、9 372.59。

与病理结果对照，MR BI-RADS分类诊断乳腺恶性结节的敏感度为95.12%(39/41)、特异度为87.18%(34/39)、准确率为91.25%(73/80)、阳性预测值为88.64%(39/44)、阴性预测值为94.44%(34/36)。

经纹理分析，每个结节获得63个纹理特征参数，ROC曲线分析显示RLN、纹理频谱中心对称性(central symmetry， CS)、熵的AUC较高(表1)。

表1 纹理特征参数的ROC曲线分析结果

RLN诊断乳腺恶性结节36个，手术病理证实34个恶性(32个浸润性导管癌、1个导管内癌、1个导管来源印戒细胞癌)，2个良性(均为纤维瘤)；RLN诊断乳腺良性结节44个，手术病理证实37个良性(纤维腺瘤20个、囊性增生12个、乳头状瘤2个、乳腺增生2个、乳腺腺病并导管扩张1)，7个恶性(6个浸润性导管癌、1个导管内癌)。RLN诊断乳腺恶性结节的敏感度为82.93%(34/41)，特异度为94.87%(37/39)，准确率为88.75%(71/80)，阳性预测值为94.44%(34/36)和阴性预测值为84.09%(37/44)。CS诊断乳腺恶性结节的敏感度为60.98%(25/41)，特异度为94.87%(37/39)，准确率为77.50%(62/80)。熵诊断乳腺恶性结节敏感度为73.17%(30/41)，特异度为84.61%(33/39)，准确率为78.75%(63/80)。以 1 528.43为诊断界值，纹理参数中RLN诊断恶性乳腺结节的AUC值最大且诊断准确率高。

BI-RADS分类与RLN诊断乳腺良恶性结节准确率、敏感度、特异度差异均无统计学意义(准确率：χ2=2.554，P=0.110；敏感度：χ2=2.02，P=0.155；特异度：χ2=1.41，P=0.235)。两者联合诊断乳腺良恶性结节的特异度为97.44%(38/39)，与单独BI-RADS分类(87.18%)比较，差异有统计学意义(χ2=16.61，P<0.001),两者联合诊断敏感度为73.17%(30/41),较单独BI-RADS-MRI分类减低(95.12%)，差异有统计学意义(χ2=7.41,P=0.007)，余指标差异均无统计学意义(P均>0.05)。见表2，图1、2。

表2 BI-RADS-MRI分类联合RLN诊断乳腺恶性结节与手术病理结果对照(个)

3 讨论

乳腺MR检查因其较高的软组织分辨力，在发现病灶、确定病灶范围和数量及与周边关系等方面优于其他影像学检查手段，尤其是MR动态增强扫描，在鉴别诊断良恶性结节方面具有很高的敏感度[7-8]。本研究显示BI-RADS-MRI分类诊断乳腺恶性结节的敏感度为95.12%，特异度为87.18%，与既往研究[9-10]报道基本相似。2007年，美国癌症协会乳腺癌筛查指南提出将MRI作为乳腺癌高危人群的影像学检查方法[2]，但MRI高敏感度导致的假阳性结果使部分患者可能会接受过度治疗，本组也有5例良性病变诊断为恶性结节而接受手术治疗。故减少MRI诊断中的假阳性率是目前临床尚待解决的问题。

纹理分析以往主要应用于肺部肿瘤性病变，近年来逐渐应用乳腺病变。研究[11]表明，通过计算机辅助纹理分析可使X线片中乳腺病变特点显示更加清晰。在MR动态增强扫描中，尤其在动态增强2 min后发现有纹理特征对比显著。已有研究[12]开始将MR纹理分析应用乳腺肿瘤高危人群的筛查中，且可以提高病变检出的准确率。本研究也证实，动态增强2 min纹理特征鉴别良恶性结节对比显著，ROC曲线显示多个纹理特征参数表现出较高的敏感度，其中RLN、CS、熵曲线下面积较大，分别为0.836、0.836、0.789。RLN和CS用来评估图像纹理的规则性、粗糙性、粒度。熵是图像所具有的信息量的度量，是图像灰度基本混乱程度的表征，主要用来评估图像纹理的均匀度[13]。本研究运用动态增强2 min剪影序列图像，剪影图像去除了乳腺腺体干扰，结节形态学表征和内部特征显示更为清晰。选取纹理分析曲线下面积值和准确率最大的RLN诊断恶性乳腺结节，其敏感度为82.93%、特异度为94.87%。而既往研究中较多提到的熵在本组中的敏感度为73.17%，特异度为84.61%，较RLN和CS的敏感度和特异度低，可能因本组运用剪影图像去除了腺体基质的干扰，内部灰度改变较普通T1增强图像差异小，导致熵判断病灶的良恶性不如其他纹理特征参数准确。

图1 患者女，左乳导管内乳头状瘤并导管扩张 A～C. DCE、TIC、ADC图示BI-RADS分类为Ⅳb类，误诊为恶性； D.蛇形曲线勾画剪切后，纹理分析诊断良性 (RLN值为1 059.12，小于界值1 528.43) 图2 患者女，浸润性导管癌 A～C.分别为DCE、TIC、ADC图示BI-RADS分类为Ⅳa类，诊断为良性； D.蛇形曲线勾画剪切后，纹理分析诊断恶性 (RLN值为5 287.28，大于界值1 528.43)。

BI-RADS分类与纹理参数判断乳腺良恶性结节的差异无统计学意义，纹理分析判断乳腺良恶性结节可作为于BI-RADS的补充，诊断特异度达94.87%。两种方法联合判断与手术病理结果一致乳腺良性结节38个，诊断特异度达97.43%，与单独应用BI-RADS分类判断比较，诊断特异度提高约10.25%(P<0.05)。若仅一种方法诊断为恶性结节，需再回顾病灶影像学资料仔细分析，可进一步提高诊断准确率，本组中5个手术病理为良性结节，BI-RADS判断为恶性，其中包括囊性增生2个，纤维瘤2个，内生性乳头状瘤1个，回顾性分析图像的影像学特点，在MRI动态增强中强化曲线类型为平台型，ADC值较低[(0.70～0.95)×10-3mm2/s]，表现出MRI在良性病变诊断中特异性不足，在某些征象与恶性病变重叠，纹理分析可弥补这方面不足，这5个结节纹理分析数值小于界值，病理诊断为良性。有2个恶性结节BI-RADS判断为良性，MRI强化曲线为平台型，ADC值较高[(1.12～1.34)×10-3mm2/s]，病理结果均为浸润性导管癌，纹理分析数值大于界值，正确判断为恶性。BI-RADS分类乳腺癌恶性结节敏感度较高，特异度不足，纹理分析诊断乳腺恶性结节特异度较高，但敏感度不如先验知识诊断，可与BI-RADS互补，提高MRI的诊断准确率。

本研究将MRI与纹理分析相结合，通过计算机对图像特征参数的提取，定量分析肿瘤的异质性，从而提高良恶性结节鉴别诊断的准确率[14]。

[1] Rakoczy M, McGaughey D, Korenberg MJ, et al. Feature selection in computer-aided breast cancer diagnosis via dynamic contrast-enhanced magnetic resonance images. J Digit Imaging, 2013,26(2):198-208.

[2] Saslow D, Boetes C, Burke W, et al. American cancer society guidelines for breast screening with MRI as an adjunct to mammography. CA Cancer J Clin, 2007,57(2):75-89.

[3] 许玲辉，顾雅佳．乳腺磁共振在乳腺癌诊断治疗中的运用．中国癌症杂志，2013，23(8)：613-617．

[4] Wang TC, Huang YH, Huang CS, et al. Computer-aided diagnosis of breast DCE-MRI using pharmacokinetic model and 3-D morphology analysis. Magn Reson Imaging, 2014,32(3):197-205.

[5] American College of Radiology (2003) ACR BI-RADS©-Mammography: Breast Imaging Reporting and Data System, Breast Imaging Atlas, vol 4. ACR, Preston.

[6] 牟玮.肿瘤PET/CT成像影像组学相关算法的研究.北京：中国科学院大学，2016：42-46.

[7] 吴晓燕,张贵祥.扩散加权成像在乳腺癌中的临床应用进展.中国医学影像技术,2012,28(11):2094-2097.

[8] 贾晓,金正吉,张晓晓.不同分子亚型乳腺癌超声及MRI特征.中国医学影像技术,2013,29(8):1297-1300.

[9] 徐新艳，朱正，蔡俊．彩色多普勒超声与MR诊断乳腺病变的临床价值分析．医学影像学杂志，2014，24(5)：753-755,766．

[10] 何东峰，马大庆，靳二虎．动态增强MRI在鉴别乳腺良、恶性肿瘤和提示恶性肿瘤病理分级中的作用．中华放射学杂志，2012，46(12)：1075-1078．

[11] Teruel JR, Heldahl MG, Goa PE, et al. Dynamic contrast-enhanced MRI texture analysis for pretreatment prediction of clinical and pathological response to neoadjuvant chemotherapy in patients with locally advanced breast cancer. NMR Biomed, 2014,27(8):887-896.

[12] Bo LY, Cho N, Li M, et al. Intratumoral heterogeneity of breast cancer XenograftModels: Texture analysis of diffusion-weighted MR imaging. Korean J Radiol, 2014，15(5):591-604.

[13] Pang YC, Li L, Hu WY, et al. Computerized segmentation and characterization of breast lesions in dynamic contrast-enhanced MR images using fuzzy c-means clustering and snake algorithm. Comput Math Methods Med, 2012,2012:634904.

[14] 李珂，刘惠．乳腺计算机辅助诊断中DCE-MRI图像特征的选择与分析．北京生物医学工程，2012，31(4)：343-348．

Value of texture feature analysis of MRI dynamic contrast enhancement in diagnosis of benign and malignant breast nodules

CHENWenjing1,MUWei2,ZHANGWenxin1,XURui1,ZHANGLi1,YANGuixin1,LIANGYing3*

(1.DepartmentofRadiology,theSixthDivisionHospitaloftheXinjiangProductionandConstructionCorps,Wujiaqu831300,China； 2.H.LeeMoffittCancerCenter&ResearchInstitute,Tampa33612,USA; 3.PET/CTCenter,CancerCenter/CancerHospital,ChineseAcademyofMedicalSciences&PekingUnionMedicalCollege,Beijing100021,China)

Objective To assess the diagnostic value of texture analysis of MRI in differential dignosis of benign and malignant breast nodules. Methods The MRI data of 78 patients (80 breast nodules) identified by surgical pathology were retrospectively studied. Sixty-three texture parameters were obtained from each nodule. ROC curve of texture parameters in differential diagnosis of benign and malignant breast nodules were performed. Results In all of the 63 texture parameters, the run length nonuniformity (RLN) had the highest AUC value (0.836) and accuracy, the diagnostic sensitivity, specificity, accuracy, positive predictive value and negative predictive value in differentiation of breast nodules were 82.93% (34/41), 94.87% (37/39), 88.75% (71/80), 94.44% (34/36) and 84.09% (37/44). The sensitivity, specificity, accuracy, positive predictive value, and negative predictive value of breast imaging reporting and data system (BI-RADS) were 95.12% (39/41), 87.18% (34/39), 91.25% (73/80), 88.63% (39/44), and 94.44% (34/36). The difference of diagnostic accuracy between texture parameter and BI-RADS had no statistical significance (P=0.11). BI-RADS combined texture parameter improved specificity significantly (P<0.001). Conclusion The texture analysis could be complementary to improve the accuracy of BI-RADS-MRI in breast nodules.

Magnetic resonance imaging; Texture analysis; Breast neoplasms; Diagnostic imaging

陈文静(1978—)，女，陕西户县人，硕士，副主任医师。研究方向：乳腺及妇科磁共振成像。E-mail： wen-jing333@163.com

梁颖，国家癌症中心 中国医学科学院北京协和医学院肿瘤医院，100021。E-mail： liangy_2000@sina.com

2016-11-15

2017-03-04

10.13929/j.1003-3289.201611079

R737.9; R445.2

A

1003-3289(2017)05-0647-05